---
title: "La Recherche publique en France"
output: 
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
    theme: journal
    social: menu
    source_code: embed
---

```{r setup, include=FALSE}
library(flexdashboard)
library(tidyverse)
library(ggtext)
library(ggpubr)
library(sf)
library(plotly)
library(showtext)
library(ggthemes)
library(htmltools)
require(scales)

#IMPORTATION DU JEU DE DONNEES
rdFR <- read.csv("./rd-moyens-administrations.csv", sep = ";")

#AS FACTOR
for (i in 1:12){
  rdFR[,i] <- as.factor(rdFR[,i])
}

#Fond de carte France par region 2014
reg<-st_read(dsn="regions-20140306-100m-shp/regions-20140306-100m.shp")

reg$nom
#On enl?ve les DOM TOM
guadeloupe<-reg[11,]
guyane<-reg[12,]
lareunion<-reg[16,]
martinique<-reg[19,]
mayotte<-reg[20,]

reg<-reg[-c(11:12,16,19:20),]
```



Des disparités régionales ?
=======================================================================

Column
-----------------------------------------------------------------------

### On observe une disparité au niveau des régions sur la valeur d'une ETP.

```{r}
#Préparation du jeu de données pour 2013
dep_tot_2013<-
  rdFR %>%
  filter(annee==2013) %>%
  filter(indicateur=="Depense interieure de R&D")%>%
  group_by(code_region,region)%>%
  summarise(Depense_Total=sum(valeur))

eff_tot_2013<-
  rdFR %>%
  filter(annee==2001) %>%
  filter(indicateur=="Effectifs de R&D")%>%
  group_by(code_region,region)%>%
  summarise(Effectif_Total=sum(valeur))



dep_eff_tot_2013<-merge(x=dep_tot_2013,y=eff_tot_2013,by.x = "region",by.y = "region")

#IMPORTANT jeu de données final 2013
filter_dep_eff_tot_2013<-
  dep_eff_tot_2013%>%
  mutate(Depenses_par_ETP=Depense_Total/Effectif_Total*10^6) %>% 
  arrange(desc(Depenses_par_ETP))


#On merge les donnees et le fond de carte
merge_dep_eff_2013<-merge(x=reg,y=filter_dep_eff_tot_2013,by.x="code_insee",by.y="code_region.x",all.x=T)


#Cartographie des des dépenses intérieures en R&D tout type d'administration confondu en 2001
merge_dep_eff_2013%>%
  st_transform(crs=32631)%>%
  ggplot() +
  geom_sf(aes(fill = Depenses_par_ETP)) +
  scale_fill_gradient(low="#ffffff",high="#048B9A",trans="log") +
  labs(fill = "Dépenses \n(millions d'euros/ETP)")+
  theme(
    axis.text.x = element_blank(),
    axis.text.y = element_blank(),
    axis.ticks = element_blank())+
  labs(title = "Dépenses totales par ETP au niveau des régions en 2013",
       caption = "Source : data.gouv")



```


Column {data-width=500}
-----------------------------------------------------------------------
### Au niveau national, une ETP semble avoir une valeur différente selon le type d'administration.
```{r}
dep_tot<-
  rdFR %>%
  filter(annee==2013) %>%
  filter(code_indicateur=="dird")%>%
  filter(code_region!=7) %>% 
  group_by(type_d_administration) %>% 
  summarise(depense_admin=sum(valeur))

eff_tot<-
  rdFR %>%
  filter(annee==2001) %>%
  filter(code_indicateur=="pers")%>%
  filter(code_region!=7) %>% 
  group_by(type_d_administration) %>% 
  summarise(eff_admin=sum(valeur))

dep_eff_tot<-merge(x=dep_tot,y=eff_tot,by.x = "type_d_administration",by.y = "type_d_administration")

filter_dep_eff_tot_2013<-
  dep_eff_tot%>%
  mutate(dep_eff_admin=depense_admin/eff_admin*10^6) %>% 
  arrange(desc(dep_eff_admin))

filter_dep_eff_tot_2013$type_d_administration<-factor(filter_dep_eff_tot_2013$type_d_administration,levels=filter_dep_eff_tot_2013$type_d_administration[order(filter_dep_eff_tot_2013$dep_eff_admin,decreasing = FALSE)])

filter_dep_eff_tot_2013 %>% 
  ggplot()+
  scale_fill_manual(values=c("#CC6666", "#9999CC", "#66CC99", "#E69F00")) +
  geom_bar(aes(x=type_d_administration,y = dep_eff_admin, fill=type_d_administration),stat = "identity")+
  scale_x_discrete(name="")+
  scale_y_continuous(name="Dépenses par ETP (euros)",labels = scales::comma)+
  theme(axis.text.x = element_text(face="bold", 
                                   size=14, angle=45))+
  theme_minimal()+
  coord_flip()+
  theme(legend.position = "none")+
  labs(title = "Dépenses par ETP au niveau national, en 2013\n en fonction des administration",
       caption = "Source : data.gouv")
```

Column
-----------------------------------------------------------------------

### Or, on observe une différence sur la répartition des effectifs selon le type d'administration au sein des régions. 
```{r}
admin1 <-  rdFR %>%
  filter(code_indicateur=="pers") %>%
  filter(annee==2013) %>% 
  group_by(code_region,region,type_d_administration) %>% 
  summarise(eff_tot=sum(valeur)) %>% 
  group_by(region) %>% 
  mutate(percentage=eff_tot/sum(eff_tot)*100) 

admin1 <- admin1[-c(1:21,99:101),]
admin1$type_d_administration <- factor(admin1$type_d_administration, levels = c('Autres administrations','Enseignement superieur','EPST','EPIC et assimiles'))
  

admin1 %>% 
  ggplot(aes(x =region, y = percentage,fill=type_d_administration))+
  geom_bar(stat="identity")+
  # geom_col(aes(fill = type_d_administration), width = 0.7)+
  scale_fill_manual(values=c( "#E69F00","#66CC99","#9999CC","#CC6666"),name = "Type d'administration",breaks = rev(levels(admin1$type_d_administration))) +
  # scale_fill_discrete(name = "Type d'administration",breaks = rev(levels(admin1$type_d_administration)))+
  # scale_fill_hue()+
  labs(y="Pourcentage de l'effectif",x="Région")+
  scale_x_discrete(labels = c("Alsace",
                              "Aquitaine",
                              "Auvergne",
                              "Basse-Normandie",
                              "Bourgogne",
                              "Bretagne",
                              "Centre",
                              "Champagne-Ardenne",
                              "Corse",
                              "France-Comte",
                              "Haute-Normandie",
                              "Ile-de-France",
                              expression(bold("Langudoc-Roussillon")),
                              "Limousin",
                              "Lorraine",
                              expression(bold("Midi-Pyrenees")),
                              "Nord-Pas-de-Calais",
                              "Pays de la Loire",
                              "Picardie",
                              "Poitou-Charente",
                              "Provence-Alpes-Cote d'Azur",
                              "Rhone-Alpes")) +
  coord_flip()+
  theme_minimal()+
  theme(legend.position="bottom") +
  guides(fill=guide_legend(nrow=2,byrow=TRUE)) +
  labs(title="Répartition du type d'administration en 2013\nau sein des régions",
       caption = "Source : data.gouv")

```






La parité dans la recherche {data-orientation=rows}
=======================================================================

Column {data-width=500}
-----------------------------------------------------------------------


### années sur la période

```{r}

par3 <- rdFR %>%
  filter(code_indicateur=="pers") %>% 
  filter(sexe!="Non ventile") %>% 
  group_by(annee,sexe) %>% 
  summarise(personnel=sum(valeur))%>% 
  group_by(annee) %>% 
  mutate(percentage=personnel/sum(personnel)*100) %>% 
  pivot_wider(names_from = sexe, values_from = c(personnel,percentage))

valueBox(13, icon = "fa-hourglass-half",
         color="grey87")
```



### Evolution de l'effectif en recherche

```{r}
effectif_total2001 <- sum(par3[1,2],par3[1,3])
effectif_fem2001 <- sum(par3[1,2])


effectif_total2013 <- sum(par3[13,2],par3[13,3])
effectif_fem2013 <- sum(par3[13,2])

evoleff <- round(((effectif_total2013-effectif_total2001)/effectif_total2001*100),1)
evoleff_fem <- round(((effectif_fem2013-effectif_fem2001)/effectif_fem2001*100),1)
  
valueBox(paste("+",evoleff,"%"),
         icon = "fa-chart-line",
         color="grey87")
```

### Evolution des femmes employées

```{r}
valueBox(paste("+",evoleff_fem,"%"), icon = "fa-female",
         color="pink")
```


Column {data-width=500}
-----------------------------------------------------------------------

### Evolution des effectifs par sexe au niveau national

```{r}

par3 %>%
  plot_ly(x=~annee,y=~personnel_Femmes,
          type="scatter",mode="line",name="Effectifs féminins",line=list(color='#F436F7',dash='dashed')) %>%
  add_trace(x = ~annee, y = ~personnel_Hommes,name = 'Effectifs masculins', mode = 'line',line=list(color='#371DCC',dash='dashed')) %>%
    add_trace(x = ~annee, y = ~percentage_Femmes, name = "Pourcentage de femmes", yaxis = "y2",mode="line",line=list(color='#F291F2',dash='dash')) %>%
    add_trace(x = ~annee, y = ~percentage_Hommes, name = "Pourcentage d'hommes", yaxis = "y2",mode="line",line=list(color="#8376CF",dash='dash')) %>%

  layout(
    margin = list(l = 50, r = 50, b = 50, t = 50, pad = 4),
    legend = list(
      title=list(text='Légende'),
      orientation = 'h',
      y = -0.3),
    xaxis=list(
      title=list(text='Années')
    ),
    yaxis=list(
      title=list(text='Effectifs')
    ),
    yaxis2 = list(
      overlaying = "y",
      side = "right",
      title = list(text='Pourcentage',
                   y=-100),
      range=c(0,100)),
    xaxis = list(title="x"))



```




### Différentiel du pourcentage de femmes dans la recherche entre 2001 et 2013, au niveau régional
```{r}

#### ANNEE 1 ################ 
par1 <- rdFR %>%
  filter(code_indicateur=="pers") %>% 
  filter(sexe!="Non ventile") %>% 
  filter(annee==2001) %>% 
  group_by(code_region,region,annee,sexe) %>% 
  dplyr::summarise(personnel=sum(valeur)) %>% 
  group_by(region) %>% 
  mutate(percent_2001=personnel/sum(personnel)*100) %>% 
  filter(sexe=="Femmes")

par2 <- rdFR %>%
  filter(code_indicateur=="pers") %>% 
  filter(sexe!="Non ventile") %>% 
  filter(annee==2013) %>% 
  group_by(code_region,region,annee,sexe) %>% 
  dplyr::summarise(personnel=sum(valeur)) %>% 
  group_by(region) %>% 
  mutate(percent_2013=personnel/sum(personnel)*100) %>% 
  filter(sexe=="Femmes")

#On merge les donn?es et le fond de carte
par12<-merge(x=par1,y=par2,by.x="code_region",by.y="code_region",all.x=T)

par12 <- par12 %>% 
  mutate(diff_percent=round((percent_2013-percent_2001),2))

#On merge les donnees et le fond de carte
par_reg<-merge(x=reg,y=par12,by.x="code_insee",by.y="code_region",all.x=T)

gg_parreg <- par_reg %>%
  st_transform( crs = 32631 )%>% 
  ggplot()+
  geom_sf(aes(fill = as.numeric(diff_percent))) +
  scale_fill_gradient2(midpoint = 0, low = "#1D00AD", mid = "white",
                            high = "#F436F7")+
  theme(legend.position="bottom")+
  labs(fill = 'Différence de pourcentage')+
  theme(
    axis.text.x = element_blank(),
    axis.text.y = element_blank(),
    axis.ticks = element_blank())+
  theme(plot.title = element_text(hjust = 0.5,size=10))

gg_parreg


```


A propos
=======================================================================

Ce dashboard vous est proposé par Laurine ALLARD, Mélanie DEMEURE et Loïc STRAFELLA de la spécialisation Sciences des données d'[Agrocampus Ouest](https://www.agrocampus-ouest.fr/), promotion 2021.

Vous pourrez trouver les données d'origine sur [data.gouv.fr](https://www.data.gouv.fr/fr/datasets/les-moyens-consacres-a-la-r-d-les-administrations-par-type-d-organisme-mesr/).  




**Quelques définitions :**  


-*EPIC et assimilés *: Établissement public à caractère industriel et commercial. Sont ajoutés l’institut polaire français (IPEV) qui est un groupement d’intérêt public depuis 2011 et Bpifrance (ex-Oséo) qui est une société anonyme depuis 2013.  
-*EPST* :  Établissement public à caractère scientifique et technologique  
-*Enseignement supérieur* : Le champ regroupe les universités et établissements d’enseignement supérieur sous contrat MENESR, les centres hospitaliers et les autres établissements d’enseignement supérieur.  
-*Autres administrations *: Le  champ  comprend  les  ministères  (y  compris  la  Défense),  les  établissements  à  caractère  administratif  (EPA)  ainsi  que  les  institutions sans but lucratif (ISBL)